文献类型：期刊文章

作　　者：陈建瑜[1] 邹春龙[1] 王生怀[1] 夏力[1] 陈哲[1]

Chen Jianyu;Zou Chunlong;Wang Shenghuai;Xia Li;Chen Zhe(School of Mechanical Engineering,Hubei University of Automotive Technology,Shiyan 442002,China)

机构地区：[1]湖北汽车工业学院机械工程学院,十堰442002

出　　处：《电子测量技术》

基　　金：国家自然科学基金(51675167);湖北省重点研发计划项目(2021BAA056);湖北省高等学校优秀中青年科技创新团队计划项目(T2020018);湖北省自然科学基金(2020CFB755);湖北省教育厅科研项目(Q20191801)资助。

年　　份：2023

卷　　号：46

期　　号：10

起止页码：129-135

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了实现路面缺陷的智能快速化检测,对深度学习目标检测算法YOLOv5进行改进,得到的3种检测模型(YOLOv5-A,YOLOv5-C,YOLOv5-AC)均可采用视频检测的方式对路面5类缺陷进行快速检测。采用智能手机和数码相机采集路面缺陷图像并制作数据集,在满足视频检测的需求下,使用K-means算法和1-IoU作为样本距离重新聚类anchor,得到更优的锚框参数;在网络多个结构中引入CBAM注意力机制,增强模型的特征提取能力。实验结果表明,YOLOv5-C算法在训练集上的平均精度达到91.8%,相较于原模型提高1%;YOLOv5-A算法在验证集上的平均精度达到92.7%,相较于原模型提高1.7%;在实际检测效果上,YOLOv5-AC算法在裂缝、破碎板和坑洞的识别准确度上达到89%、62%、90%,相较于原模型提高了45%、4%、5%,且模型的检测速度达到40 FPS。YOLOv5-AC算法具有较高的检测精度和识别速度,一定条件下可以满足在道路缺陷检测中的智能化实时检测需求。

关 键 词：道路工程 路面缺陷 YOLOv5  缺陷检测  

分 类 号：TP391] U418[计算机类]